Forum Statistika dan Komputasi, April 2009 p: 22-33

ISSN : 0853-8115
Vol 14 NQ.1
ANALISIS DERET W AKTU DENGAN
RAGAM GALAT HETEROGEN DAN ASlME1RIK
Studi Indeks Harga Saham Gabungan (IHSG) Peri ode 1999-2008
Nirawita Untari
1
, Ahmad Ansori Mattjik, Asep Saefuddin
Departemen Statistika FMIP A IPB
E-mail: Inirawita_u@yahoo.com
Abstrak
lndeks Harga Saham Gabungan (IHSG) merupakan salah satu indikator
yang digunakan pemerintah daJam mengambil kebijalcan daJam bidang
ekonomi. Se/ain itu pemerintah menganggap pentingnya pasar modal
sebaga; a/lernatif pembiayaan se/ain perbankan. Fluktuasi yang sangal
besar terjadi d; pasar bursa. lcarena setiap transaksi tercalat dengan skala
waktu yang keci/ sehingga perubahan nilai yang terjadi begitu cepat. Pada
kasus in; asumsi kehomogenan ragam tidak lerpenuhi. Pada pasar bursa
juga memperlihatkan adanya pengaruh asimetrik(leverage), yaitu hubungan
yang negalif an/ara perubahan nilai return dengan pergerak.an
vo/atilitasnya. ModeJ EGARCH yang memode/kan ragam bersyarat sebaga;
lungsi log-linear digunaJcan sebagai lungs; ragam da/am memodelkan nilaj
harian IHSG, sehingga nilai ragam bersyarat yang diprediksi tidak akan
pernah negatif. Model EGARCH terpilih adaJah MA(l)-EGARCH(I.l).
Model EGARCH terbukti sangat baik da/am memodelkan ni/a; harian IHSG,
letap; be/um cukup baik un/uk meramalkan nilai IHSG yang akan dalang.
Selain ramalan terhadap nt/af harian IHSG, pemodelan fungsi ragam juga
menghasilkan perama/an terhadap ragam bersyaratnya. Rama/an ragam
bersyarat sangat berguna bag; pemegang aset daJam melihat peri/aku
pergerakan IHSG dan untuk menghitung besarnya resiko memegang suatu
aset di masa yang akan datang.
Kala kunci : Heteroskedaslis, Asimetris, Leverage, EGARCH
PENDAHULUAN
Data keuangao memiliki tiga sifat khas yang
membedakan dengan data lain, yaitu memiliki ekor
yang gemuk (fat tail), pengelompokkan return
(volatility clustering), dan memiliki efek leverage.
Hal tersebut yang menyebabkan asumsi ragam galat
menjadi tak homogen dan asimetrik. Sebagai contoh
pada data indeks saham dan valuta asing. Nilai
Indeks Harga Saham Gabungan (IHSG) merupakan
salah satu indeks pasar saham yang digunakan oleh
Bursa Efek Indonesia (BEl). Nilai tersebut
merepresentasikan pergerakan s ~ l u r u h harga saham
yang tercatat di BEL Karena setiap transaksi
tercatat dengan skala waktu yang keciI, perubahan
yang terjadi pada nUai lHSG sangat cepat dan tidak
pasti. Ketidakpastian yang dibadapi lHSG
merupakan kecenderungan adanya ketidak
konstanan dalam volatilitas, maka asumsi datanya
menjadi heteroskedastis.
korelogram kuadrat sisaannya dan melalui uji
Lagrange Multiplier (LM). Ketika dihadapkan pada
kasus ragam galat heterogen, pemodelan data deret
waktu dengan menggunakan metode AR, MA, dan
ARIMA menjadi kurang tepat untuk digunakan
karen a ragam bersyaratnya tidak konstan atau
berubah menurut waktu (Enders, 2004).
Keberadaan pengaruh ragam heterogen pada
data IHSG dapat dideteksi dengan melibat
Salah satu solusi yang dapat digunakan untuk
mengatasi masalah keheterogenan ragam adalah
dengan memodelkan fungsi rataan dan fungsi ragam
seeara simultan. Model yang <lapat digunakan
sebagai fungsi ragam adalah model Autoregressive
Heteroscedasticity (ARCH). Model ARCH pertama
kali diperkenalkan oleh Engle (1982) untuk
mengatasi keheterogenan ragam. Model ARCH
dibuat secara khusus untuk memodelkan dan
meramalkan ragam bersyaratnya. Ragam dari
peubah talc bebas dimodelkan sebagai fungsi dari
sejumlah q data acak sebelumnya. Kebutuhan
terhadap ketersediaan pangan dalam jumlah yang
cukup terus meningkat. Oleh karena itu perlu
diupayakan peningkatan produktivitas padi yang
22
Analisis Deret Waktu dengan Ragam Galal Heterogen dan
Asimetrik
merupakan bahan makanan pokok sebagian besar
masyarakat. Peningkatan produksi pangan erat
kaitannya dengan penggunaan pupuk yang semakin
meningkat baik jumlah maupun jenisnya. Pada data
finansial dengan tingkat volatilitas yang lebih besar,
model ARCH memerlukan orde yang besar pula
dalam memodelkan ragamnya. Hal tersebut
mempersulit proses identifikasi dan pendugaan
model. Maka BoUerslev (1986) mengembangkan
model ARCH menjadi Generalized ARCH
(GARCH) untuk mengatasi orde yang terJalu besar
pada model ARCH. Pada model GARCH,
perubahan ragam bersyaratnya dipengaruhi o)eh
data acak. sebelumnya dan ragam dari data acak
sebelumnya. Model GARCH lebih tepat digunakan
untuk memodelkan data acak dengan tingkat
volatilitas yang tinggi. Model GARCH dengan
derajat p, q dapat dituliskan sebagai berikut
&,=v/.g
(I'; =a
o
+ + rpP,:j
1=1 J=I
Dengan ao>O, dan (Enders,
2004). Dapat terlihat bahwa model ARCH
merupakan model khusus dari GARCH dengan nilai
p=O. Namun, masih terdapat kekurangan yang
dimiliki oleh model GARCH. Tsay (2002)
menuturkan beberapa kekurangan yang dimiliki
model GARCH, yaitu :
I. Model GARCH mengasumsikan guncangan
positif dan negatif memiliki pengaruh yang
sama pada volatilitas. Sedangkan
kenyataannya, beberapa data fmansial memiliki
hubungan yang negatif antara volatilitas
dengan perubahan nilai returnnya (efek
leverage). Model GARCH tidak dapat
mengatasi pengaruh asimetrik.
2. Model GARCH membatasi nilai parametemya
agar ragam bersyaratnya tidak negatif.
3. Model GARCH terlalu over dalam
memprediksi nilai volatilitasnya. Karena nilai
e':1 atau aLl yang besar akan menghasilkan
nilai c} yang besar pula. Ini berarti nilai &;_1
yang besar akan cenderung diikuti nilai e;
yang besar pula.
Pada beberapa data finansial, terdapat perbedaan
besanya perubahan pada volatilitas ketika terjadi
pergerakan nilai return, yang disebut dengan
pengaiuh keasimetrikan. Keasimetrikan yang terjadi
dapat berupa korelasi negatif atau positif antara
nilai return sekarang dengan volatilitas yang akan
datang. Korelasi negatif antara nilai return dengan
perubahan volatilitasnya, yaitu kecenderungan
volatilitas menurun ketika return naik dan
volatilitas meningkat ketika return lemah disebut
efek leverage (Enders, 2004).
Pengaruh keasimetrikan (leverage) ini terjadi
akibat adanya volatilitas yang sangat besar pada
pasar saham dan resiko yang besar dalam
Forum Statistika dan Komputasl
memegang suatu aset. Keberadaan efek leverage
pada data finansial menyebabkan model GARCH
menjadi tidak tepat digunakan untuk menduga
model. Karena model GARCH hanya dapat
menduga perubahan reaksi yang bersifat simetrik
(yaitu perubahan yang sarna pada volatilitas yang
disebabkan adanya perubahan nilai return),
Sehingga model Exponential GARCH (EGARCH)
yang diperkenalkan Nelson (1991) dapat digunakan
sebagai fungsi ragam. Dengan menggunakan
transformasi logaritma pada ragam bersyaratnya,
model EGARCH akan menghasilkan dugaan ragam
yang selalu positif. Pengaruh efek leverage dapat
diJihat pada Gambar I.
i
a
........... : .......... .. .......... 5
x' :0 X I
Informasi pemberitaan
Gambar 1 Efek leverage.
Untuk mengetahui keberadaan efek leverage,
dapat dilakukan pengujian terhadap hipotesis
adanya korelasi antara kuadrat sisaan dengan lag
sisaannya. Jika nilai F dari hipotesis
01 = 02 = ... = a
q
melebihi nilai kritis dari F tabel,
maka terdapat korelasi antara kuadrat sisaan dengan
lag sisaannya, dengan kata lain teroapat pengaruh
efek leverage. Selain ito, kesimetrikan data juga
dapat diperiksa seeara visual dengan memplotkan
sisaan dari model EGARCH dengan ragam
bersyaratnya, yang dikenal dengan Kurva News
Impact (Kurva Pengaruh Pemberitaan).
BASIL DAN PEMBAHASAN
Eksplorasi Data
Plot deret waktu data rata-rata nilai rnSG dari
tanggaJ 1 Oktober ] 999 - 30 Juni 2008 dapat dilihat
pada Gambar 2. Sejak. awal pasar bursa dibuka,
indeks barga saham telah mengalami fluktuasi dari
waktu ke waktu. Pemerintah menggunakan IHSG
sebagai patokan kebijakannya dalam rangka melihat
penerimaan pasar atas kebijakan yang diambil. Pada
tabun 1998, Indonesia sempat mengalami krisis
ekonomi yang berimbas pada nilai indeks harga
saham gabungan yang menurun secara drastis,
hingga mencapai titik terendahnya. Namun kini
nilai rata-rata harian IHSG memiliki kecenderungan
meningkat hingga sempat mencapai titik tertinggi
pada level 2820.81 pada tanggaJ 14 Januari 2008.
23
Analisis Deret Waktu dengan Ragam Galal Heterogen dan
Aalmetrik
Plot ACF dati nHal ratarata harlan IHSG
memperlihatkan pola yang dying down, hal ini
membuktikan adanya ketidakstasioneran data. Maka
perlu dilakukan pembedaan untuk mengatasi
ketidakstasioneran rataan dan tranformasi untuk
mengatasi ketidakstasioner dalam ragam.
-,... .. _ ......
_r--------------------,
000
II
Gambar 2 Plot deret waktu nHal rata-rata harian
IHSG.
Dalam bidang finansial dikenal nHal return
sebagai besarnya nilai pengembaiian yang akan
diperoleh sabagai basil investasi. Menggunakan
nilai return pada anatisis ini sarna halnya
melakukan pembedaan (differencing) dan
transformasi logaritma pada data rata-rata harian
IHSG, sehingga data akan stasioner. Nilai return
diperoleh dati log(Y, / Y,-I)' Besamya return
merupakan besar perubahan nilai indeks yang
terjadi pada waktu ke t dengan nUai indeks pada
waktu ke t-l. Gambar 3 merupakan plot data deret
waktu nilai return harian IHSG.
-... .. -.. -
0JIl
o.oa
0.01
I:
oW
-O.oJ
00.04
1/1f/.OOII II
Gambar 3 Plot deret waktu return harian IHSG.
Statistika deskriptif dari data return disajikan
pada Tabel 1. Rata-rata nilai return yang bernilai
positif memberikan arti bahwa tingkat
pengembalian selama periode pengamatan
mengalami peningkatan sebesar 0.000296.
Sedangkan nilai kurtosis (keruncingan) digunakan
untuk mengukur keruncingan atau kelandaian dari
sebaran data. Nilal keruncingan yang sangat besar
(bernilai positit) mengindikasikan bahwa sebaran
data memiliki ekor yang lebih panjang dari sebaran
normal. Hal ini dapat dibuktikan oleh uji Jarque-
Bera. Sehingga ketika dilakukan pendugaan
terhadap nilai parameter, deviasi dari asumsi
Forum Statistika dan Komputasi
sebaran nonnal dapat dikoreksi dengan metode
penduga quasi-maximum likelihood. Selain itu, Lo
(2003) menjabarkan bahwa sifat dari data yang
dipengaruhi proses ARCH antara lain adalah
memiliki nilai keruncingan yang lebih dari 3. Nilai
kerunciangan return IHSG yang diperoleb dari
statistika deskriptif sebesar 7.6 mengindikasikan
bahwa sebaran data memiliki ekor yang lebih
panjang dari sebaran normal dan dicurigai data
return memiliki pengaruh ARCH. Melalui
informasi ini, akan dilakukan uji lanjut untuk
melibat keberadaan pengaruh ARCH lebih jelas .
Tabel} Statistika deskriptif data return IHSG
. Statistik Return
Mean 0.000296
Median
Maksimum
Minimum
Simpangan baku
Skewness
Kurtosis
Jarque-Bera
Prob
Jumlah
JumJah Kuadrat
Simpangan
Jumlah pengamatan
Fuogsi rataao awal
0.000676
O.022S25
0.035026
0.005126
0.869706
7.599322
2124.757
0.000000
0.623462
0.055384
2109
Pemilihan fungsi rataan awal dilakukan untuk
melihat gambaran model deret waktu bagi data
deret waktu pengamatan. Pemiliban fungsi rataan
awal didasarkan pada plot deret waktu, plot ACF
dan PACF. Plot ACF dan PACF data return dapat
dilihat pada Lampiran 1. Pemodelan fungsi rataan
awal dilakukan mengikuti prosedur Box-Jenkis.
Kandidat model yang diperoleh pada pemodelan
fungsi rataan dapat dilihat pada Lampiran 2a.
Kandidat model terbaik yang dipilih adalah MA( 1)
tanpa konstanta. Model dipilih karena memiliki
penduga yang nyata dan nilal SC minimum.
Setelah didapat kandidat model terbaik, maka
dilakukan overfitting untuk melihat apakah model
yang dipilih sudah sesuai. Overfitting dilakukan
dengan menambahkan parameter modelnya,
sehingga modelnya menjadi MA(2). HasH
overfitting dapat dilihat pada Lampiran 2b.
Berdasarkan hasil overjitting, temyata penduga
parameter MA(2) tidak signifikan. Berarti model
MA( 1) sudah fit.
Vji pengaruh ARCH
Nnal keruncingan yang dihasilkan dari statistika
deskriptif menjadi salah satu indikasi adanya
pengaruh ARCH, atau ragam sisaan yang
heterogen. Cara lain untuk mendeteksi keberadaan
pengaruh ARCH dapat dilakukan dengan melihat
korelogram kuadrat sisaan dan melakukan uji
formal Lagrange Multiplier (LM).
24
f'
r
Analisis Deret Waktu dengan Ragam Galat Heterogen dan
Asinetrlk
Korelogram kuadrat sisaan dari fungsi rataan
awat dapat <filihat pada Lampiran 3. Korelogram
kuadrat sisaan menunjukkan adanya autokorelasi
dari lag ke-l sampai lag ke-36. Hal ini merupakan
salah satu indikasi adanya ragam sisaan yang tidak
homogen (heterogen).
HasH uji LM dapat dilihat pada Tabel 2.
Berdasarkan hasil uji LM, nilai peluang LM sampai
lag ke-12 kurang dari taraf nyata 5%, dengan kata
lain mempunyai nilai LM yang signifIkan. Hasil
tersebut menunjukkan bahwa ragam sisaan tidak
homogen. Banyaknya lag yang nyata menunjukkan
besaran orde yang diperlukan pada model ARCH.
Orde yang sangat besar pada model ARCH dapat
diatasi dengan menggunakan model GARCH.
Tabel 2 Uji Lagrange-Multiplier sisaan fungsi
rataan awal
Lag ke- F -statistik Prob
1 270.7279 0
2 153.3424 0
3 111.2537 0
4 86.40776 0
5 71.16017 0
6 61.47713 0
7 52.75649 0
8 46.19728 0
9 41.01245 0
10 37.22222 0
II 33.86916 0
Uji Kenonnalan Jarque-Bera terhadap sisaan
dari fungsi rataan awal menghasilkan nilai statistik
JB sebesar 3759.717 dan nilai-p kurang dari taraf
nyata 5%, artinya sisaan tidak menyebar nonnal.
Maka metode pendugaan parameter yang akan
digunakan pada pendugaan fungsi rataan dan fungsi
ragam secara simultan adalah quasi maximum
likelihood agar deviasinya dapat terkoreksi. Plot
quantil-quantil sebaran sisaannya dapat dilihat pada
Gambar4.
f 1
3 0
J -1
-2
-3

-.04 .02 .00 .02 .04
Gambar 4. Plot quantil-quantil sisaan fungsi rataan
awal.
ModelGARCH
Berdasarkan nilai keruncingan data, korelogram
kuadrat sisaan dari fungsi rataan awal, dan uji
Forum Statistika dan Komputasi
Lagrange Multiplier, dapat disimpulkan bahwa data
return IHSG pada periode pengamatan memiliki
pengaruh ARCH. Sehlogga salah satu cara yang
dapat dilakukan untuk mengatasi adanya pengaruh
ragam tak homogen adalah dengan memodelkan
fungsi rataan dan fungsi ragam secara simultan.
Model ragam pertama yang akan digunakan adalah
model GARCH.
Model yang dipilih dari pendugaan fungsi rataan
dan fungsi ragam secara simuJtan dengan model
GARCH adalah MA(1 )-GARCH( 1,1) karena
mempunyai koefIsien yang signifIkan, koefIsien
ragam yang bernilai positif, dan memiliki nilai SC
terkecil. Hasil pendugaan dapat dilihat pada
Tabe13. Model nya dapat ditulis sebagai berikut.
Fungsi rataan :
y, = 0.000545+ &/ + 0.519&1-1
Fungsi ragam :
(J',2 = 2.56& 06+ 0.6730-;_1 +
Artinya nilai harian IHSG hari ini dipengaruhi oleh
sisaan peri ode sebelumnya, sedangkan ragam
bersyaratnya merupakan fungsi dari sisaan dan
ragam bersyarat periode sebelumnya.
Diagnostik sisaan
Karena belum ada Iitelatur yang menjelaskan
tentang cara menentukan model GARCH terbaik,
maka dilakukan diagnostik sisaan untuk melihat
apakah model yang dipilih sudah sesuai. Diantara
asumsi yang diperiksa adalah keacakkan sisaan,
kenormalan galat sisaan, dan kebebasan antar
sisaan.Hasil uji Lagrange-Multiplier pada lag ke-l
memperlihatkan nilai probabilitas sebesar 0.8033,
yang lebih besar dari taraf nyata 5%, sebingga
hipotesis nol bahwa antar sisaan. tidak memiliki
korelasi atau sisaan tidak memiliki pengaruh ARCH
diterlma. Artinya, sisaan memiliki ragam yang
homogen dan antar sisaan saling bebas. Sedangkan
korelogram kuadrat sisaannya dapat dilihat pada
Lampiran 4. Semua lag menghasilkan probabilitas
yang tidak signifIkan, artinya antar sisaan sudah
tidak ada autokorelasi.
Uji Jarque Bera dari sisaan model GARCH
menghasilkan probabilitas yang kurang dari taraf
nyata 5%. Artinya, sisaan tidalt memiliki sebaran
asumsi kenormalan telah dilanggar. Tapi,
adanya pelanggaran terhadap asumsi kenonnalan
tidak terlalu berpengaruh terhadap pemodelan.
Karena adanya penyimpangan terhadap asumsi
kenonnalan sisaan merupakan indikasi bahwa data
memiliki volatilitas yang sangat aeak. Plot quantit-
quantil sisaannya dapat dilihat pada Gambar 5.
Model EGARCH
Pada beberapa data finansial, adakalanya terdapat
korelasi negatif antara nilai return dengan
volatilitasnya (pengaruh keasimetrikan). Ketika
dihadapi data yang demikian, model GARCH
menjadi kurang tepat untuk digunakan. Maka
Nelson (1991) memperkenalkan model
25
Analisis Deret Waktu dengan Ragam Galat Heterogen dan
Aslmetrik Forum Statistika dan Komputasi
Tabel 3 Pendugaan fungsi rataan dan fungsi ragam dengan model GARCH
Model Parameter Koef. StdError Z-Statistik Prob AlC SC
MA(I)- Fungsi rataan -8.0607 -8.0473
GARCH(l,l) C 0.000545 0.0001364.007264 0.0001
MA(l) 0.518827 0.022173 23.39878 0.0000
Fungsi ragam
C
a
2.56E-06 5.3lE-07
0.219528 0.039506
4.822331 0.0000
5.556887 0.0000
fJ 0.672813 0.044024 15.28286 0.0000
Eksponensial-GARCH (EGARCH) sebagai fungsi
10garitma dari ragam bersyaratnya. SebeJumnya
akan diuji terlebih dahulu uotuk melihat keberadaan
pengaruh asimetrik pada data return IHSG.
t ,
!
" 0
1 .,
z
2
3 .,
:
-4+-,..-.,.---.,...--,...--;.---.--1
-4 0 2 4 6
Gambar 5. Plot quantil-quantil sisaan model
GARCH.
Uji asimetrik. (efek leverage)
Untuk menguji adanya pengaruh keasimetrikan
(efek leverage) pada data, dilakukan pengujian
autokorelasi antara sisaan kuadrat dari model
GARCH terbadap lag sisaannya. Persamaan regresi
yang diperoleb sebagai berikut.
s; = 0.989-0.112s'_1 -0.079s'_2 -0.06h'_J
Nilai probabilitas yang dihasilkan dari
pendugaan regresinya kurang dari taraf nyata 5%,
artinya sisaan kuadrat model GARCH berkorelasi
nyata dengan lag ke-l sisaannya. Yang
mengindikasikan bahwa terdapat efek leverage
(pengamh asimetrik) pada data. Sehingga untuk
mengatasi pengaruh keasimetrikan pada data, akan
lebih tepat jika pemodelan dilakukan dengan model
Eksponensial-GARCH (EGARCH).
Model EGARCH
Setelah diyakini data return harlan IHSG
memiliki pengaruh asimeterik, maka fungsi ragam
data return akan dimodelkan dengan model
EGARCH. Pada model EGARCH, koefisien-
koefisiennya diizinkan bemilai negatif, karen a
bentuk log-linier pada fungsi ragamnya akan
berakibat nHai ragam bersyaratnya tidak akan
pemah bernilai negatif. HasH pendugaan fungsi
rataan dan fungsi ragam dengan model EGARCH
dapat dilihat pada Tabel 5. Model yang dipilih
adaJah MA( 1 )-EGARCH(l, 1), karena memiliki
nilai koefisien yang signifikan dan nilai statistik SC
yang minimum. Modelnya dapat ditulis sebagai
berikut.
Fungsi rataan
y, =&, +0.5116,_1 ; e
H

0"_1
Fungsi ragam :
log(07)::: -1.893+
Dari basil pendugaan diperoleh nilai koefisien
r = -0.1 08 nilai tersebut menujukkan adanya
pengaruh keasimetrikan brena r "# 0, dan
membuktikan adanya efek leverage karena nilai r
bemilai negatif (kurang dari 0).
Tabel 4. HasH pendugaan model regresi kuadrat
sisaan terbadap lag sisaannya
Var Coeff Std. t-Statistik Prob
C 0.989 0.048 20.724 0.000
s(-I) -0.112 0.048 -2.349 0.019
-0.079 0.048 -1.655 0.098
s(-3) -0.061 0.048 -1.273 0.203
F -statistic 3.484
Probability 0.015
Diagnostik sisaan
Seperti balnya model GARCH, belum
ditemukan pula litelatur yang menjelaskan eara
untuk menentukan model EGARCH terbaik. Maka
dilakukan diagnostik sisaan untuk melihat apakah
model EGARCH yang dipilih sudah sesuai. Asumsi
yang diperiksa adalah keaeakkan sisaan,
kenormalan galat sisaan, dan kebebasan antar
sisaan.
Hasil uji Lagrange-Multiplier pada lag ke-l
memperlihatkan nilai probabilitas sebesar 0.72832,
yang lebih besar dari tamf nyata 5%, sehingga
hipotesis nol bahwa antar sisaan tidak memiliki
korelasi atau sisaan tidak memiliki pengaruh ARCH
diterima. Artinya, sisaan memiliki ragam yang
homogen dan antar sisaan saling bebas. Sedangkan
korelogram kuadrat sisaannya dapat dilihat pada
Lampiran 5. Hasil korelogram kuadrat sisaan sudah
26
, Analisis Deret Waktu dengan Ragam Gelat Heterogen dan
Asimetrik Forum Statistika dan Komputasl
Tabel 5. Pendugaan fungsi raman dan fungsi ragam dengan model EOARCH
Model Parameter Koef. Std.Error Z-Statistik Prob AIC SC
MA(l)- Fungsi rataan -8.0666 -8.0532
EOARCH(1,I) MA(I) 0.5111 0.022743 22.47108 0.0000
Fungsi ragam
C -1.8934 0.390158 -4.85301 0.0000
a 0.3838 0.056158 6.83401 0.0000
r -0.1083 0.037692 -2.87440 0.0040
f3
0.8523 0.033756 25.24853 0.0000
tidak signifikan, artinya antar sisaan sudah tidak ada
autokorelasi.
HasH uji Lagrange-Multiplier pada lag ke-l
memperlihatkan nUai probabilitas sebesar 0.72832,
yang lebih besar dari taraf nyata 5%, sehingga
hipotesis nol bahwa antar sisaan tidak memiliki
korelasi atau sisaan tidak memiliki pengaruh ARCH
diterima. Artinya, sisaan memiliki ragam yang
homogen dan antar sisaan saling bebas. Sedangkan
korelogram kuadrat sisaannya dapat dilihat pada
Lampiran 6. HasH korelogram kuadrat sisaan sudah
tidak signifikan, artinya antar sisaan sudah tidak ada
autokorelasi.
Jarque Bera dari sisaan model EOARCH
menghasiikan nUai probabilitas kurang dari taraf
nyata 5%. Artinya, sisaan tidak memiliki sebaran
normal, asumsi kenormalan telah dilanggar. Tapi,
adanya peJanggaran terhadap asumsi kenormalan
tidak terlalu berpengaruh terhadap pemodelan.
Karena adanya penyimpangan terhadap asumsi
kenormalan sisaan merupakan indikasi bahwa data
memiliki volatilitas yang sangat aeak dan memiliki
nilai-nilai yang ekstrim. Plot quantil-quantil
sisaannya dapat dilihat pada Gambar 6.
Gambar 6. Plot quantil-quantil sisaan model
EGARCH.
Kurva News Impact
Gambar 7 merupakan kurva News Impact yang
memplotkan sisaan dengan ragam bersyarat model
EGARCH. Oambar tersebut memperlihatkan
adanya guneangan yang negatif dari z (nitai return
turun) akan mempunyai pengaruh yang lebih besar
terhadap vo]atilitas (pergerakan ragam bersyarat)
dibandingkan guncangan yang positif dengan
besaran yang sarna.
3.S
3.0
2.5
S
2.0
III
1.5
1.0
0.5
0.0
12
'"
... 12
Gambar 7. Kurva News impact.
Validasi Model
Melalui pemeriksaan keasimetrikan data
diketahui bahwa data return IHSG selama periode
pengamatan memiliki pengaruh yang asimetrik
maka akan lebih fit jika dimodelkan dengan fungsi
ragam model EGARCH.
Validasi model dilakukan menggunakan data
harlan IHSG yang digunakan untuk membangun
model, yaitu data dari bulan Oktober 1999 sampai
Juni 2008. Nilai-nilai statistik basil validasi dapat
dilihat pada Tabel 6.
Tabel 6 Nilai Statistik validasi model EOARCH
Statistik
Mean Error
Mean Absolute Error
Mean Square Error
Root Mean Square Error
Validasi
0.517782
9.039488
330.5033
18.17975
Mean Absolute Percent Error 0.780479
Suatu model dikatakan baik jika menghasilkan
nilai-nilai statistik yang keeil. Berdasarkan nilai
statistik hasil validasi pada Tabel 6, nilai MAPE
yang diperoleh adalah 0.78%. Pada Lampiran 6a
juga dapat terlihat bahwa plot deret waktu antara
nilai aktual dan prediksi hampir berhimpit
sempuma.
27
AnaJisis Oeret Waktu dengan Ragam Galal Heterogen dan
Asimetrik
Model GARCH, dan EGARCH mencoba
memodelkan ragam bersyaratnya sebagai fungsi
dati data sebelumnya dan ragam dari data
sebelumnya. M.aka. selain basil prediksi dari nilai
rata-rata harlan IHSG, model GARCH, dan
EGARCH juga menghasilkan prediksi dari ragam
bersyaratnya. Ragam bersyarat ini memperlihatkan
seeara visual tentang perilaku pergerakan nilai
harian IHSG selama periode pengamatan. Nilai
ragam yang diperoleh menunjukkan besarnya resiko
sebagai basil investasi. Berdasarkan model yang
diperoleh, nilai ragam bersyarat dari data in-sample
dapat dilihat padaGambar 8.
--,."' ............. -

Gambar 8. Ragam bersyarat data in-sample.
Berdasarkan nilai ragam bersyarat data in-
sample yang dapat dilihat pada Gambar 8,
memperlihatkan perubahan yang liar pada ragam
bersyaratnya. Terutama pada periode-periode
terakhir. Hal ini disebabkan oleh nilai IHSG yang
tidak: stabil pada periode tersebut.
Simulasi Peramaian
Peramalan dilakukan menggunakan data dari
tanggal 1 Juti 2008 - 29 September 2008.
Peramalan dilakukan dengan dua cara, peramalan
one-step ahead dan peramalan multi-step ahead.
Peramalan one-step ahead dilakukan untuk melihat
nilai rnSG untuk persatu hari kedepan. Metode ini
biasanya banya digunakan untuk mengamati
keeenderungan pergerakan datanya selama periode
pengamatan. Sedangkan peramalan multi-step
ahead dilakukan untuk melihat nilai rnSG dalam
beberapa hari ke depan, untuk jangka panjang.
Nilai-nilai statistik dari peramalan persatu hari ke
depan dapat dUihat pada Tabel 7.
Peramalan yang dihasilkan memberikan nilai
MAPE yang masih baile, yaitu sebesar 1.45%.
Sedangkan nilai statistik hasil peramalan 3 bulan ke
depan dapat dilihat pada Tabel 8.
Nilai MAPE yang dihasilkan peramalan 3 bulan
ke depan sebesar 13.27%. Hal tersebut berakibat
model tidak cukup baik dalam meramalkan nilai
harlan IHSG. Plot basil peramalan satu bari ke
depan dan 3 bulan ke depan dapat dUmat pada
Lampiran 6b.
Forum StatiStika dan Komputasi
Tabel 7. Nilai Statistik peramalan one-step ahead
model EGARCH
Statistik
Mean Error
Mean Absolute Error
Mean Square Error
Root Mean Square Error
Mean Absolute Percent Error
One-step ahead
-5.6297
29.45606
1666.039
40.81714
1.450485
Tabe18. Nilai Statistik peramalan mu[ti.step ahead
model EGARCH
Statistik
Mean Error
Mean Absolute Error
Mean Square Error
Root Mean Square Error
Mean Absolute Percent Error
Ragam Denyarat
Multi-step ahead
-262.44
263.2698
98425.82
313.7289
13.26681
Peramalan terbadap ragam beryarat akan
membantu para pemegang aset dalam menentukan
perilaku nilai yang akan datang. Ramalan ragam
bersyarat ini selanjutnya dapat digunakan untuk
menghitung besarnya resiko dalam memegang aset
yang akan dihadapi di masa yang akan datang.
Hasil peramalan ahead ragam bersyarat
untuk data out-sample dapat dilihat pada Gambar 9.
Sedangkan Gambar 10 memperlihatkan hasil
peramalan multi-step ahead. '
---"' ..... ---.. -
-

Gambar 9. Peramalan ragam bersyarat one-step
ahead.

O,OOOOlS
I:: i
I 0,000010
O,CIOIlOOS
Gambar 10. Peramalan ragain bersyarat multi-step
ahead.
28
Analisis Deret Waktu dengan Ragam Galst Heterogen dan
Asimetrlk
Gambar 9 memperlihatkan nUai ragam bersyarat
dalam jangka pendek. Pola yang diperlihatkan
masih liar. Terutama pada pertengahan periode,
dikarenakan nilai IHSG yang tidak stabil.
Sedangkan Gambar 10 memperlihatkan oHai ragam
bersyarat dalam jangka panjang. Dimana nUai
ragam bersyaratnya akan konvergen menuju suatu
nilai. Dengan asumsi nilai IHSG stabil. Besamya
resiko yang dibadapi pemegang saham di masa
yang akan datang dapat dihitung melalui analisis
resiko.
Evaluasi Model G ~ H v s EGARCH
Evaluasi ini ,ilakukan untuk melihat
kekurangan pada modl1 QAReH yang dapat diatasi
oleh model EGARCH. Pertama, model GARCH
membatasi nilai parametemya agar ragam
bersyaratnya bemUai positif. Yaitu masing-masing
parametemya harus positif, a
j
~ 0 dan PI ~ o.
Sedangkan model EGARCH tidak membatasi nilai
parametemya, karena fungsi ragamnya herupa
fungsi logaritma yang tidak akan menghasilkan
nilai ragam negatif. HasH pendugaan parameter
model GARCH dan EGARCH dapat terJihat pada
Tabel 4 dan 8. Dimana parameter yang dihasilkan
model GARCH yaitu a=O.220 dan P=O.673,
keduanya memiliki nilai positif, sedangkan
parameter model EGARCH a = 0.384 , P = 0.852 ,
dan r = -0.108 , dengan salah satu parametemya ( ,
r ) bemilai negatif .
Nilai parameter r yang negatif dan tidak sarna
dengan nol, sekaligus menunjukkan keunggulan
yang kedua model EGARCH dari model GARCH
yaitu model EGARCH mempertimbangkan adanya
peogaruh keasimetrikan (efek leverage). Pengaruh
asimetrik ditunjukkan adanya perbedaan pengaruh
perubahan guncangan terhadap volatilitasnya.
Ketika terjadi guncangan positif (6, ~ 0), perubahan
volatilitasnya sebesar (y+a)=0.276. Sedangkan
ketika terjadi guncangan negatif (6, < 0), perubahan
volatilitasnya sebesar (y - a) = -{).492. Perubahan
volatilitas yang diakibatkan adanya guncangan
negatif lebih besar dari guncangan positif.
Terakhir, sebagai akibat dari tidak dapat
mengatasi pengaruh asimetrik, model GARCH
terJalu over dalam memprediksi ragam
bersyaratnya, hal ini diakibatkan oleh nilai 6,2_
1
atau
(1',:, yang besar akan menghasilkan nilai (I',l yang
besar pula. Seperti terlihat pada Lampiran .8, ragam
bersyarat yang dihasilkan oleh model GARCH pada
validasi dan peramalan one-step ahead lebih liar
dibandingkan nilai ragam bersyarat yang dihasilkan
model EGARCH, nilai ragam yang ekstrim pada
model GARCH (yang merupakan akibat dari efek
leverage) dapat diatasi oleh model EGARCH.
Sedangkan pada peramalan multi-step ahead nilai
Forum Statistika dan Komputasi
ragam hersyarat yang dihasilkan model GARCH
lebih hesar dari model EGARCH.
KESIMPULAN
Data IHSG memiliki fluktuasi yang sangat
besar. Sehingga ragam bersyarat yang dimiliki
menjadi tidak homogen. Selain itu, terdapat pula
pengaruh ketidaksimetrikan setelah dilakukan
pemeriksaan korelasi antara kuadrat sisaan model
GARCH dengan lagnya. Maka pemodelan
dilakukan dengan model EGARCH. Model
EGARCH yang diperoleh adalah MA( 1)
EGARCH( 1,1 ).
Validasi model terhadap data in-sample
menghasilkan nilai MAPE sebesar 0.78%, yang
menunjukkan bahwa model yang digunakan sudah
baik dalam memodelkan data lHSG selama periode
pengamatan (Oktober 1999Juni 2008). Sedangkan
untuk peramalannya, model ini cukup baik . dalam
melakukan peramalan persatu hari ke depan dengan
nilai MAPE yang dihasilkan sebesar 1.45%. Tapi
kurang baik dalam melakukan peramalan nilai
harian IHSG untuk 3 bulan ke depan, karena nHai
MAPE yang dihasilkan sebesar 13.27%.
Peramalan terhadap ragam beryarat akan
membantu para pemegang aset dalam menentukan
perUaku nUai yang akan datang. Ramalan ragam
bersyarat ini selanjutnya dapat digunakan untuk
menghitung besamya resiko yang akan dihadapi di
masa yang akan datang. Ragam bersyarat yang
dihasilkan model GARCH lebih liar dan lebih besar
dibandingkan model EGARCH, karena pengaruh
efek leverage tidak teratasi.
SARAN
Nilai Indeks Harga Saham Gabungan memiliki
volatilitas yang sangat besar. Untuk mendapat
model yang kekar diperlukan jumlah data yang
besar pula, agar model tidak bias. Sehingga perlu
menambahkan jumlah data pengamatan untuk
memperoleh model yang lebih kekru:.
Pemodelan ragam bersyarat dengan model
EGARCH terus mengalami perkembangan.
Diantara modiftkasi dari model EGARCH adalah
FIEGARCH, REGARCH, dan Matrix EGARCH.
Penelitian selanjutnya dapat menggunakan
modifikasi model EGARCH tersebut dengan
harapan mendapatkan hasil pemodelan dan
peramalan yang lebih baik.
Selain itu, perlu dipertimbangkan untuk
memasukkan peubah eksogen yang berpengaruh
terhadap nilai IHSG ke dalam model agar hasil
peramalan menjadi lebih baik, seperti tingkat inflasi
dan tingkat suku bunga bank.
29
Analisis Deret Waktu dengan Ragam Galat Heterogen dan
Asimetrik
DAFTAR PUSTAKA
Anonim. 2008. Jarque-Bera Test. htt,p:I/en.
wikipedia.orglwiki/JarQue-Bera Test. [25
Agustus 2008].
Anonim. 2008. Indeks Harga Saham Gabungan.
htt,p:llid. wlkipedia.orglwikilindeks-harga-
saham-gabungan [18Desember 2008].
Chen YT & Kuan CM. 2003. A Generalized Jarque-
Bera Test of Conditional Normality. lEAS
Working Paper No. 03-A003. www.econ.
sinica.edu.tw/upload/file/03-a003-abs.pdf [25
Agustus 2008].
Enders W. 2004. Applied Econometric Time Series.
New York: John Wiley & Sons, Inc.
Eviews User's Guide. 2002. Quantitative Micro
Software. USA.
Firdaus M. 2006. Analisis Deret Walctu Salru
Ragam. Bogor : IPB Press.
Gadza V & VYr0st T. 2003. Application ofGARCH
In Forecasting the Slovak Share Index
(SAX). BJATEC XI : 2.htt.p://www.nbs.sk/
BIATECIBlA02 03/17 20.PDF [9 September
2008].
Gospodinov N, Gavala A, Jiang D. 2006.
Forecasting Volatility. Journal of Forecasting

ws/Docs/Forecasting%20Volatilitv.pdf
[25Agustus 2008].
Forum Statlstika dan Komputasl
Gunanjar, B. 2006. Penerapan Model
ARCHIGARCH dan Model MSAR (Markov-
Switching Autoregression) Pada Nilai Tukar
Rupiah Terhadap Dolar dan IHSG. [Skripsi).
Bogor : Fakultas Mat.ematika dan IImu
Pengetahuan Alam, Institut Pertanian Bogor.
Kurnia A, Saefuddin A, Sutriyati. 2004. Analisis
deret waktu pada data dengan ragam galat talc
homogen : studi nilai tukar rupiah periode tahun
2001-2003. Forum Statistilca dan Komputasi
9:23-33.
Lo, MS. 2003. Generalized Autoregressive
Conditional Heteroscedastic Time Series
Modeis. [Thesis] Departement of Statistics and
Actuarial Science, Simon Fraser University.
Tsay, R. S. 2002. Analysis of Financial Time Series.
John Wiley & Sons, Inc. http;lIwww.scribd.
cQmJtsaycbapter3.pdf[20 Agustus 2008]
Surya Y, Haryadi Y. 2003. Kulminasi Prediksi Data
Deret Waktu Keuangan Volatilitas dalam
GARCH (1,1). Working Paper WPF2003:1-7.
htt.p:/Iwww.bandungfe.netl?go=xpb&&qp=44c
e27ca [19 Juni 2008].
Yoon S, Lee KS. 2008. The Volatility and
Asymmetry of WonIDoliar Exchange Rate.
Journal of Social Sciences 4 (1):7
9 .htt.p://www.scipub.orglfulltext/jss/jss417 9 .pdf
[2 Agustus 2008].
30
Lampiran 1. Plot ACF dan PACF nilai return IHSG
a. Plot ACF nilai return IHSG h. Plot P ACF nilai return IHSG
to
0.'
0.6
I leiltfOll 'uncIIoIIfat __

LO
0.8
, ..... , 1 n htf."-diIoIIfor .......
...
I
::; l

-0.2
c
-0.6
-0.8
-1.0

I 10 :Ill 30 10 III 60 10 eo 90 I 10 20 30 10 so Ell 10 110 90
.... ....
Lampiran 2. Kandidat model fungsi rataan awal dan over fitting
a. Kandidat Model
Model
AR(3)
MA(I)
ARMA(I,2)
AR(3)
MA(1)
Parameter
C
AR(1)
AR(2)
AR(3)
c
MA(l)
C
AR(1)
MA(1)
MA(2)
AR(I)
AR(2)
AR(3)
MA(I)
Std. Error Statistik t Nilai-p AIC SC
0.000156 1.829947 0.0674 -7.83325 -7.82251
0.021708 8.481836 0.0000*
0.022953 -3.04258 0.0024*
0.021707 2.360824 0.0183*
0.000142 2.08566 0.0371* -7.829350 -7.82399
0.020368 17.44003 0.0000*
0.000143 2.103644 0.0355* -7.83033 -7.81961
0.032331 -29.1477 0.0000*
0.034079 38.22013 0.0000*
0.020437 17.22821 0.0000*
Tanpa konstanta
0.021699 16.62739 0.0000* -7.83261 -7.82456
0.022959 -4.68621 0.0000*
0.021698 3.658709 0.0003*
0.020353 17.51569 0.0000* -7.82824 -7.82556
Keterangan : (*) signifikan pada level 5%
b. Overfitting
Model Parameter Std.Error Statistik t Nilai-p AIC SC
MA(2) MA(I) 0.0218 16.5865 0.0000 -7.82751 -7.82215
MA(2) 0.021794 0.635131 0.5254
Keterangan : {*} signifikan pada level 5%
31
Lampiran 3. Korelogram kuadrat sisaan Lampiran 4. Korelogram kuadrat sisaan dari
dari fungsi rataan awal modelGARCH
Korelogram k:uadrat sisaan
Kore)ogram kuadrat sisaan
Lag AC PAC Q-Stat Prob
Lag AC PAC Q-Stat Prob
1 0.005 0.005 0.0622
1 0.338 0.338 240.57
2 -0.010 -0.010 0.2595 0.610
2 0.223 0.123 345.21 0.000
3 0.015 0.015 0.7315 0.694
3 0.197 0.103 427.16 0.000
4 -0.004 -0.004 0.7689 0.857
4 0.169 0.067 487.53 0.000
5 -0.016 0.015 1.2868 0.864
5 0.161 0.065 54224 0.000
6 -0.024 -0.024 2.5098 0.775
6 0.043 0.073 546.16 0.000
7 -0.016 -0.015 3.0222 0.806
7 0.060 0,017 553.67 0.000
8 0.002 0.003 3.0343 0.882
8 0.058 0.013 560.84 0.000
9 -0.005 -0.005 3.0914 0.928
9 0.042 0.003 564.51 0.000
10 0.038 0.038 6.1430 0.726
10 0.062 0.038 572.64 0.000
11 0.010 0.009 6.3763 0.783
11 0.048 0.016 577.44 0.000
12 -0.025 -0.026 7.7319 0.737
12 0.016 -0.029 577.97 0.000
13 0.002 0.000 7.7372 0.805
13 0.032 0.015 580.12 0.000
14 -0.002 -0.003 7.7471 0.860
14 0.032 0.009 582.30 0.000
15 0.028 0.030 9.4551 0.801
15 0.051 0.029 587.90 0.000
16 -0.002 0.000 9.4613 0.852
16 0.023 -0.008 589.07 0.000
17 0.001 0.003 9.4636 0.893
17 0.026 0,011 590.49 0.000
18 0.018 0.020 10.1710 0.896
18 0.002 -0.031 590.50 0.000
19 0.018 -0.018 10.8570 0.900
19 0.016 0,011 591.06 0.000
20 0.028 0.028 12.5820 0.859
20 0.021 0.007 592.00 0.000
LamEiran 5. Korelogram kuadrat sisaan dari model EGARCH
Kore)ogram kuadrat sisaan
Lag AC PAC Q.Stat Prob
1 0.008 0.008 0.1210
2 -0.009 -0.009 0.3065 0.580
3 0.019 0.019 1.0811 0.582
4 0.010 0.010 1.2947 0.730
5 -0.014 -0.014 1.7199 0.787
6 0.018 -0.018 2.4228 0.788
7 -0.004 -0.005 2.4608 0.873
8 0.008 0.009 2.6083 0.919
9 -0.003 -0.003 2.6327 0.955
10 0.039 0.040 5.8571 0.754
II 0.014 0.012 6.2449 0.794
12 -0.030 0.030 8.1248 0.702
13 0.007 0.007 8.2364 0.766
14 0.003 0.002 8.2606 0.826
15 0,031 0.033 10.3120 0.739
16 -0.009 -0.007 10.4660 0.789
17 0.002 0.003 10.4750 0.841
18 -0.008 -0.011 10.6080 0.876
19 -0.014 -0.014 11.0060 0.894
20 0.023 0.023 12.0990 0.881
32
Lampiran 6. Validasi model EGARCH dan hasil peramalan model EGARCH
a. Validasi model EGARCH
3000.------------,
-=
-- ......
25DO
1/i/lIX1l 1/1f2ctJ2 UI{.I!JO+ I/lnJJ06 1/1/:IatI
-
b. HasH peramalan One-step ahead dan Multi-step ahead model EGARCH
Peramalan One-step ahead Peramalan Multi-step ahead
--....", AIIMI,""""" VI DoIiI

2100
-A ....
-- " ...... 2lOO

...
-A ....
-- .......
2:iIIO 2:iIIO
2100 lIOO
!lIXII
..
illXll
..
)tOO ItOO
1800
-
1100 1l\lO
1600 1600
111fJ lIum !lfl,.. 711fJ
-
Lampiran 8. Evaluasi ragam bersyarat model GARCH vs EGARCH
a. Validasi model GARCH vs EGARCH
o._r---"'''''---!----=----f
b. HasH peramalan One-step ahead dan Multi-step ahead model GARCH vs EGARCH
Peramalan One-step ahead Peramalan Multi-step ahead

71snrM I/U- I/U- IO/U-

0.000$
OJiCIOOIO
33